机动车疲劳驾驶辨识方法研究综述

摘要：本文分析了疲劳驾驶检测研究的现状，介绍了使用最为广泛的几种检测技术以及研究成果，综合分析了几种检测技术的优缺点。认为现有检测设备成本过高，性价比过低，不利于推广应用。开展实车实验提出合理的疲劳分级标准，发展简单无接触，并基于信息融合的检测技术将是以后疲劳驾驶检测的发展方向。

关键词：疲劳驾驶 检测技术 信息融合 发展趋势

0 引言

据世界卫生组织2009年的统计数据表明，由疲劳驾驶引起的交通事故占到总交通事故的37.91%[1]。从很多严重的交通事故发生原因来分析，其中一个很重要的原因就是，驾驶员的过度疲劳驾驶，驾驶员在疲劳的状态下，会导致精力不集中，不能很好的控制车辆行驶的速度和方向。近些年在疲劳程度检测方面，比较成熟的方法有以下五种：

①基于主观评定的检测方法；②基于生理参数检测的方法；③基于驾驶行为特征的检测；④基于车辆状态特征的检测；⑤基于信息融合的检测技术。

1 疲劳驾驶检测方法

1.1 基于主观评定的检测方法

主观评定法分为主观自评和主观他评，主要基于驾驶人主观感受、反应时间、面部特征等将驾驶人主观疲劳感觉进行分类量化。主要的评价标准和方法有卡洛琳斯卡睡眠尺度表 KSS（Karolinska Sleepiness Scale）、斯坦福嗜睡量表SSS（Stanford Sleepiness Scale）和视觉类比量表VAS（Visual Analogue Scales）；基于面部视频的专家评分方法，它通过一组受过训练的专家根据驾驶人的面部表情和头部姿态等特征对其疲劳状态进行评分[2]。

1.2 基于生理参数的检测方法

1.2.1 基于脑电的检测（EEG）

基于脑电信号检测的方法是根据观察这四种波（α波、β波、θ波、δ波）出现的数量多少或者某种波的变化来反映驾驶人的疲劳状态。具体表现为：当驾驶员处于疲劳状态时，θ波大幅增加，α波数量增多；当驾驶员处于清醒状态时，β波出现数量增多，其他波相对减少。脑电信号检测被誉为疲劳检测的“金标准”。王玉化[3]等在草原单调枯燥的驾驶环境下进行实车实验，发现β波和（α/θ）/β两项指标对驾驶员疲劳最为敏感且在行车90～110min时段内，驾驶员疲劳趋势最为明显。房瑞雪[4]等人采用驾驶模拟实验，通过对不同频带的EEG信号的平均功率的变化规律的研究，验证EEG信号作为疲劳检测指标的合理性，得出了各脑电指标与P80指标之间存在很大的相关性的结论；张诚[5]基于快速傅里叶变换法对脑电信号中α、β、θ、δ特征节律进行分析，通过计算α、β、θ、δ各个特征节律的相对能量值，并求出疲劳指数，进而估计驾驶员的疲劳程度。

EEG信号检测的可靠性和灵敏度很好，其抗干扰性也很强，但是其成本高、结构复杂、需用专用仪器，测试条件苛刻、可扩展性较差，而且要在被测试者的相应部位安装传感器，对驾驶员的操作带来负面作用。

1.2.2 基于心电的检测（ECG）

ECG主要被用于驾驶负担的生理测量中，当驾驶员

疲劳时，心电信号会呈现出明显的规律性下降，心电信号中的心率HR（Heart Rate）指标和心率变异性HRV（Hart Rate Variability）指标是判断疲劳驾驶的重要的生理指标。郭孜政[6]等以驾驶行为绩效为客观测评指标，给出了驾驶精神疲劳状态的分级划分方法，以心率变异性的6 项指标作为疲劳识别特征因子，采用BP神经网络模型，建立了驾驶精神疲劳状态分类器，有效识别驾驶员疲劳状态。

ECG信号检测方法具有装置可随身携带、简单易行、非侵入式等优点，有望实现动态检测与实时处理，但其不足之处在于诊断性和敏感性较差，应结合其他分析方法进行综合研究。

1.2.3 基于肌电的检测（EMG）

一般来说，使用诱发电位的方法，测量EMG信号，具体的实施过程，是在驾驶员的肌肉表面，固定好一块电极，在产生肌电信号时，可以通过肌肉表面的电极传送到肌电图记录仪。当驾驶员的疲劳程度不断加深时，EMG的频率就会不断下降，幅值逐渐增大[7]，这样就可以有效控制驾驶员的疲劳程度。这种检测方法，是基于人体的生理指标，其结果比较客观真实，可以较好的反应驾驶员的疲劳程度，不过，从另一方面看，很多生理传感器对人体肌肤有着一定的有侵入性，这对于驾驶员的安全驾驶，有着一定的影响。

1.3 基于驾驶行为参数的检测方法

基于驾驶员行为特征的检测方法是指利用驾驶人的头部、眼部、嘴部等特征的变化规律判断驾驶人的疲劳水平，其中驾驶人眼部特征被认为是反映疲劳状态的重要特征。

基于眼动特征参数的检测主要集中于眨眼闭合率、眨眼频率、瞳孔直径变化等方面。许少凡等[8]研发了DSP识别系统，其主要工作原理是根据驾驶员眼睛的瞳孔几何特征发生的变化，来对驾驶员的疲劳程度进行检测，从而判断其疲劳状况。徐建君[9]在研究中，主要是设法采集驾驶员的眼部数据，并通过和正常的数值进行对比分析，判断其疲劳程度，比较常用的方法有灰度投影法、区域灰度特征、Hough找圆法等，通过运用这些方法，对驾驶员的面部特征、精神状态和肌肉紧张程度等，进行综合分析，然后对比数据分析结果，进而得出比较可靠的疲劳程度，提高驾驶员疲劳检测的准确性。

基于驾驶员行为特征的检测方法直观、明显，可实现非侵入式测量，但检测识别算法较复杂，且检测结果受环境变化和个体差异的影响较大。

1.4 基于车辆状态特征的检测

随着疲劳水平增加，驾驶人对周围行驶环境的感知能力、形势的判断能力和车辆的控制能力都会有所下降，导致驾驶人无法及时获取相关的驾驶信息，对车辆行驶状态的容忍误差变大、控制精度降低，从而驾驶人操作变量和车辆状态变量会出现异常波动。因此，通过研究车辆的状态变量的变化规律，可以实现驾驶人疲劳水平的检测。屈肖蕾[10]等提取描述疲劳操作特性的转向操作特征指标，采用序列浮动前向选择算法筛选最优的特征指标组合，最终建立了一种基于SVM的驾驶员3级疲劳的在线检测算法。Friedrichs.F[11]等提取方向盘转角和车辆横向位置的11个检测指标，基于神经网络建立疲劳驾驶检测模型，达到了较高的检测精度。

基于车辆行为特征的检测方法虽然是一种非接触方式，不会对驾驶员的正常驾驶造成干扰。信号容易提取且较精确、客观。但测试条件易受到驾驶员个人习惯、具体的车型和驾驶环境的影响，特征参数疲劳程度的相关性难以量化。

1.5 基于信息融合的检测技术

随着信息融合技术的发展，越来越多的研究者尝试将信息融合技术应用于疲劳驾驶检测中[12-13]。王连震[14]等将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量，选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量，将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量，构建了基于贝叶斯网络的驾驶疲劳程度识别模型。牛清宁[15]提取驾驶行为特征参数和驾驶员眼动特征参数，基于支持向量机（SVM）建立自适应的疲劳检测模型，并达到了较高的检测精度。成波[16]等融合驾驶人眼部特征和驾驶行为特征，基于Fisher和DS理论，实现了疲劳驾驶的检测。汪澎[17]等基于多源

信息，利用多智能体理论研究了驾驶人低警觉性检测系统。

2 疲劳驾驶检测产品

疲劳驾驶检测技术经过长时间的发展，随着技术的不断完善，检测精度不断提高，已经完成从理论研究阶段到投入实际运用的过渡，研发出多款疲劳检测产品，投入实际运用中，现将其介绍如下[18]：

比亚迪汽车在驾驶员的疲劳检测方面，推出了疲劳驾驶预警系统（BAWS），其主要工作原理是根据驾驶员的生理图像反应，根据其面部运动和变化的不同特征，分析驾驶员的疲劳程度。该装置的主要构成部分是ECU和摄像头，在驾驶员开车时，摄像头对其面部的相关特征、眼睛的变化、头部的运动特征等，进行记录和分析，以此判断驾驶员是否处于疲劳状态。

大众汽车装备的疲劳识别系统，是通过记录和分析驾驶员在驾车行驶过程中，其操作行为发生的变化，从而判断驾驶员是否处于疲劳状态。其中，驾驶员在驾车时的操作频率、实际驾车时间、转向灯使用情况、驾驶时间等参数等是比较重要的分析评判指标，通过复杂的融合算法计算驾驶员疲劳程度，当参数高于设定的阈值时，驾驶员的疲劳程度就会在相应的仪表盘上显示出来，通过这种方式，提醒驾驶员注意休息。

奔驰汽车装备的注意力辅助系统，这种系统的工作状态下，通过使用71个传感器，能够对驾驶员的驾驶行为做出比较科学的检测。

沃尔沃汽车内部配备驾驶员安全警告系统（DAC），其主要构成部分是摄像头、若干传感器和一个控制单元。传感器的主要作用是记录汽车的运动，控制单元储存该信息，然后通过紧密的计算，判断驾驶员是否处于疲劳驾驶的状态。在驾驶员驾车的过程中，如果检测设备检测到驾驶员处于疲劳驾驶状态，或者有分心的迹象，就会通过声音信号警告驾驶员，同时在相应的仪表盘上还有文字警示。

现有的疲劳驾驶检测预警产品多是基于多种特征参数对驾驶员疲劳状态进行识别，识别精度得到了有效保证，市场上的疲劳预警装置均为附加装置，需要额外购买并安装，且价格不菲，这是造成驾驶疲劳预警系统未能普及的重要原因之一。如果能够利用常用硬件资源，实现疲劳预警的目的，这更加方便于疲劳预警的普及。

3 研究不足及发展趋势

①现有检测设备难以推广应用，要么检测效果不理想，出现误报；要么成本太高，如本文列举的检测系统仅在其高配车型中装配。因此，提高检测设备的性价比，降低疲劳检测设备的成本将是今后发展的重点。

②现有检测设备所选检测指标难以客观量化，且只能表示清醒和疲劳两个状态，对清醒至疲劳的过度无法表示，也就无法判定驾驶员何时进入疲劳状态，不能根据驾驶员的疲劳状态给予相应的提示信息。因此，提出合理的疲劳分级标准和准确检测疲劳等级以及确定与检测指标的关系并进行量化，将是今后研究的一个重点。

③现有研究多基于驾驶模拟器开展，但是模拟驾驶环境和真实的驾驶环境毕竟存在或多或少的差异，不能反映真实的驾驶情况，因此，提高相关仿真软件的有效性、检测精度与可靠性或直接进行实车试验将是以后研究的方向。

④现有基于单一指标的检测方法的诸多不足已然表现出来，其无法克服空间、光照、天气等环境变化对检测精度的影响，这就导致了驾驶员疲劳检测存在较大的误差。

4 结束语

本文分析了疲劳驾驶检测研究的现状，介绍了使用最为广泛的几种检测技术以及研究成果，综合分析了每种检测技术的优缺点，认为现有检测设备成本过高，性价比过低，不利于推广应用；此外，开展实车试验提出合理的疲劳分级标准，发展简单无接触，并基于信息融合的检测技术将是以后疲劳驾驶检测的发展方向。

参考文献：

[1]袁翔，孙香梅.疲劳驾驶检测方法研究进展[J].汽车工程学报， 2012，02（3）.

[2]Saroj K.L.Lal，Ashley Craig.A Critical Review of the Psychophysiology of Driver Fatigue[J].Biological Psychology.2001，55：173-194.

[3]王玉化，朱守林，戚春华，高明星.基于脑电信号的草原公路驾驶疲劳研究[J].科学技术与工程，2014，27：286-290.

[4]房瑞雪，赵晓华，荣建，毛科俊.基于脑电信号的驾驶疲劳研究[J].公路交通科技，2009（S1）：124-126+141.

[5]张诚.基于脑电信号的驾驶疲劳实时检测系统[D].北京工业大学，2010.

[6]郭孜政，谭永刚，马国忠，潘毅润，陈崇双.基于BP神经网

络的驾驶精神疲劳识别方法[J].哈尔滨工业大学学报，2014，08：118-

121.

[7]郑培，宋正河，周一鸣.机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势[J].中国农业大学学报，2001，6（6）：101-105.

[8]许少凡，李凯钿，狄红卫，刘卓健.基于瞳孔几何特征的驾驶疲劳检测嵌入式系统的设计[J].光学技术，2009，35（1）：148-151.

[9]徐建君.基于人脸特征的列车司机疲劳驾驶检测与识别系统研究[D].成都：西南交通大学，2010：39-64.

[10]屈肖蕾，成波，林庆峰，等.基于驾驶员转向操作特性的疲劳驾驶检测[J].汽车工程，2013（9）：803-807.

[11]Friedrichs F，Yang B.Drowsiness monitoring by steering and lane data based features under real driving conditions[C]//Proceedings of the European Signal Processing Conference， Aalborg， Denmark.2010：23-27.

[12]朱淑亮.基于视频图像分析与信息融合的驾驶员疲劳检测技术研究[D].山东大学，2011.

[13]薄纯娟，徐国凯，宋鹏，李忠楠.疲劳驾驶检测方法研究综述[J].大连民族学院学报，2013，03：266-271.

[14]王连震，裴玉龙.基于贝叶斯网络的驾驶疲劳程度识别模型[J].城市交通，2014，03：66-74.

[15]牛清宁.基于信息融合的疲劳驾驶检测方法研究[D].吉林大学，2014.

[16]成波，冯睿嘉，张伟，李家文，张希波.基于多源信息融合的驾驶人疲劳状态监测及预警方法研究[J].公路交通科技，2009（S1）：13-

18.

[17]汪澎，刘志强，仲晶晶.驾驶员注意涣散检测技术研究[J].中国安全科学学报，2010，07：82-88.

[18]http：//price.pcauto.com.cn/qcbk/aqfz/aqzb/1209/2149462.html.

作者简介：

汪宴宾（1988-），男，四川安岳人，西南交通大学交通运输与物流学院硕士研究生，研究方向：交通运输安全工程。